Машинное обучение и искусственный интеллект, кажется, у всех на слуху. От Силиконовой долины до Уолл-стрит, от мелких бизнес-ангелов до крупных венчурных фондов, стартапы, которые их используют, привлекают капитал, а унаследованные фирмы, которые уже внедрили модели, получают огромную оценку. Что движет этим безумием? Короче говоря, распространение данных, дешевая вычислительная мощность, доступная по запросу, и графические процессоры.
Концепция искусственного интеллекта уходит корнями в глубь веков, но сам термин восходит к 1956 году и Дартмутской конференции по искусственному интеллекту. Первые настоящие алгоритмы были запрограммированы в конце 1950-х — начале 1960-х годов, но из-за ограниченной вычислительной мощности искусственный интеллект стал доступен среднему программисту только в последние двадцать пять лет. Закон Мура, постулированная Гордоном Муром (соучредителем Intel) идея о том, что количество транзисторов на квадратный дюйм интегральной схемы удваивается каждый год с момента их изобретения, подтолкнула нашу вычислительную мощность к реализации таких ресурсоемких программ, как глубокое обучение. .
Одним из таких стартапов в сфере ИИ является фирма Descartes Labs. Теперь эта фирма, занимающаяся геопространственными данными, входит в Серию B с инвесторами March Capital Partners и Cultivain Sandbox Ventures и создает массивные наборы данных из спутниковых снимков. Descartes собирает эти изображения, очищает, калибрует и сохраняет их в доступных базах данных для использования третьими лицами. В число клиентов входят: крупные хедж-фонды, желающие оценить урожайность и количество транспортных средств; международные организации здравоохранения, моделирующие волны голода; метеорологические общества, прогнозирующие погодные катастрофы; и правительства, делающие прогнозы относительно болезней.
Descartes триангулирует спутниковые изображения с погодой, анализом настроений и экономическими тенденциями, чтобы либо построить модели машинного обучения, либо помочь своим клиентам в построении этих моделей, если у клиента есть собственные команды разработчиков. Чтобы глубже погрузиться в один из клиентских сегментов Descartes Labs, давайте рассмотрим товарные рынки и их цепочку поставок.
Декарт может использовать спутниковые снимки для оценки здоровья и обильности урожая на поле. Они могут сопоставлять изображения полей с прогнозами погоды и существующими моделями, чтобы определить нехватку или избыток урожая. Затем они могут установить датчики на кораблях, перевозящих эти продукты в разные порты по всему миру. Таким образом, они могут иметь довольно точный прогноз не только урожая, но и количества, которое крупный поставщик промышленных продуктов питания, такой как Cargill, может оценить как количество продукта, конечный пункт назначения, так и большое отражение того, когда хеджировать эти продукты. на основе их асимметричной информации.
